Einrichtung

Pakete

pacman::p_load(tidyverse,
               here,
               janitor)

Daten

• Wir verwenden den Datensatz languageR_english.csv (im Ordner daten)

df_eng <- read_csv(here("daten", "languageR_english.csv")) |> 
1  clean_names() |>
2  arrange(word) |>
3  rename(
4    rt_lexdec = r_tlexdec,
5    rt_naming = r_tnaming
  ) |> 
6  select(age_subject, word, word_category, rt_lexdec, rt_naming)

‘Tidy’ Arbeitsablauf

• Abbildung 1 zeigt einen Überblick über den typischen Data-Science-Prozess
  • Wir importieren unsere Daten, bereinigen sie und durchlaufen dann einen Zyklus aus Umwandlung, Visualisierung und Modellierung, bevor wir schließlich unsere Ergebnisse kommunizieren

Abbildung 1: A model of the data science process from Wickham et al. (2023) (all rights reserved)

‘Tidy’ Daten

• dieselben Daten können auf verschiedene Weise dargestellt werden
• Wir werden uns 3 Tabellen ansehen, die genau dieselben Daten in verschiedenen Formaten darstellen
• Die Tabellen zeigen die gleichen Werte von vier Variablen:
  • Land (country)
  • Jahr (year)
  • Bevölkerung (population)
  • Anzahl der Tuberkulosefälle (cases)
• Jeder Datensatz ordnet die Werte anders an
• überlegen Sie, welche Tabelle für Sie am einfachsten zu lesen ist

Warum ‘tidy’ Daten?

“Glückliche Familien sind alle gleich; jede unglückliche Familie ist auf ihre eigene Art unglücklich.”

— Leo Tolstoy

“‘Tidy’ Datensätze sind alle gleich, aber jeder ‘untidy’ Datensatz ist auf seine eigene Weise unordentlich.”

— Hadley Wickham

Daten bereinigen (tidying)

• Umwandlung breiter Daten in lange Daten und langer Daten in breite Daten (neben anderen Schritten)
  • Ergebnis: aufgeräumte Daten (normalerweise)

‘Tidying’ Daten mit dem tidyverse

• Das Paket tidyr (aus tidyverse) hat zwei nützliche Funktionen zum Transponieren unserer Daten:

  • pivot_longer(): macht breite Daten länger
  • pivot_wider(): lange Daten breiter machen

Abbildung 3: die berühmteste Verwendung des Wortes Pivot (zumindest für Millenials) (Friends)

Breite versus lange Daten

• Wir müssen oft zwischen breiten und langen Datenformaten konvertieren, um verschiedene Arten von Zusammenfassungen oder Visualisierungen zu erstellen

• breite Daten: alle Beobachtungen zu einer Sache befinden sich in einer einzigen Zeile

  • ist normalerweise nicht aufgeräumt

• lange Daten: jede Beobachtung befindet sich in einer separaten Zeile

  • ist normalerweise aufgeräumt

• Beginnen wir mit dem typischsten Fall: Umwandlung breiter Daten in lange Daten

pivot_longer()

• im Datensatz languageR_english.csv (df_eng)
  • haben wir 4568 Beobachtungen (Zeilen)
  • Wir haben 5 Variablen (Spalten)
  • die Spalte age_subject gibt an, ob eine Beobachtung von einem Teilnehmer der Altersgruppe old oder young stammt
  • die Spalten word und word_category beschreiben Eigenschaften des Stimulus für eine bestimmte Beobachtung (d. h. das Wort)
  • die Spalte rt_lexdec enthält die Reaktionszeit für eine lexikalische Entscheidungsaufgabe
  • die Spalte rt_naming enthält die Antwortzeit für eine Wortbenennungsaufgabe

head(df_eng)

• Sind diese Daten in Tabelle 4 aufgeräumt?
• Sind diese Daten zu breit oder zu lang?
• Wie können wir diese Daten länger machen?

Our goal

• wir wollen Abbildung 4 produzieren

Abbildung 4: Our plot to be reproduced

• die beiden kontinuierlichen Variablen rt_lexdec und rt_naming erscheinen in Facetten
  • facet_wrap() nimmt eine kategorische Variable als Argument und erzeugt eine Facette für jede Kategorie
• wir brauchen also eine kategorische Variable, die die Ebenen lexdec und naming enthält
  • und eine kontinuierliche Variable, die die entsprechende Antwortzeit enthält

pivot_longer()

• Die Funktion pivot_longer() (von tidyr) konvertiert eine breite Datentabelle in ein längeres Format
  • wandelt die Namen der angegebenen Spalten in die Werte einer neuen kategorischen Spalte um
  • und kombiniert die Werte dieser Spalten in einer neuen Spalte

df_eng_long <- 
  df_eng %>% 
  pivot_longer(
    cols = starts_with("rt_"), 
    names_to = "response", 
    values_to = "time"
  )

• Vergleichen wir die Beobachtungen für die Wörter ace und act in
  • df_eng (Tabelle 5)
  • df_eng_longer (Tabelle 6)

Plotten unserer ‘tidy’ Daten

• Versuchen wir nun, unser Diagramm zu erstellen:
  • age_subject auf der x-Achse
  • time auf der y-Achse
  • Kategorien response in Facetten

Abbildung 5: Response times per age group for the lexical decision task vs. naming task

pivot_wider()

• Es kommt häufiger vor, dass man seine Daten verlängern will (man nimmt Spalten und macht aus deren Werten neue Zeilen)
  • aber manchmal möchte man seine Daten auch verbreitern (man nimmt Zeilen und verwandelt ihre Werte in neue Spalten)
• Die tidyr-Funktion pivot_wider() macht Datensätze breiter, indem sie Spalten vergrößert und Zeilen reduziert.
  • Dies ist hilfreich, wenn eine Beobachtung über mehrere Zeilen verteilt ist.
• Lassen Sie uns versuchen, df_eng breiter zu machen
  • Wir könnten zum Beispiel eine einzige Zeile pro Wort haben
    • mit einer einzigen Variablen für die Antwort des young Probanden und die Antwort des old Probanden

pivot_wider()

• pivot wider nimmt ähnliche Argumente wie pivot_longer(), mit einigen leichten Unterschieden:

  • id_cols (optional): identifizierende Spalten (welche Spalten identifizieren jede Beobachtung eindeutig?)
  • names_from: wie soll die neue Spalte heißen, die die vorherigen Spaltennamen enthält (muss eine kategorische Variable sein)?
  • names_prefix (optional): Präfix für die neuen Spaltennamen (optional)
  • values_von: neue Spaltenwerte

• lassen Sie uns zwei neue Variablen erstellen, die ihre Namen von age_subject und ihre Werte von rt_lexdec übernehmen

df_eng_wide <-
  df_eng %>%  
  select(-rt_naming) |> 
  pivot_wider(
1    names_from = age_subject,
2    values_from = rt_lexdec,
3    names_prefix = "lexdec_"
  )

• Vergleichen wir die Beobachtungen für die Wörter ace und act in
  • df_eng (Tabelle 5)
  • df_eng_longer (Tabelle 6)

• Auch hier haben wir keine Daten oder Beobachtungswerte geändert, sondern lediglich die Anordnung der Datenpunkte neu strukturiert.

Eindeutige Werte

• Wir haben rt_naming entfernt, weil es auch einen eindeutigen Wert pro Wort pro Altersgruppe hat
• wir ändern nur die Breite und führen NA-Werte für lexdec_young für alte Themen und NA-Werte für lexdec_old für junge Themen ein
• Hätten wir sie nicht entfernt, sähen unsere ersten 6 Zeilen wie Tabelle 9 aus
  • Vergleichen Sie dies mit der Ausgabe in Tabelle 8, sehen Sie den Unterschied?